CN109003275A - 焊缝缺陷图像的分割方法 - Google Patents

Abstract

本发明公开了一种焊缝缺陷图像的分割方法。本发明的焊缝缺陷图像的分割方法在对图像进行预处理后，先对图像上每一列像素点进行灰度曲线拟合，获得列灰度曲线，然后提取出曲线上的极小值点，根据极小值点的相应特征确定结构元素尺寸，然后利用形态学中的闭运算模拟出焊缝背景图像，通过数字减影技术提取出焊缝缺陷图像。本发明的焊缝缺陷图像的分割方法能够有效地解决因焊缝图像的纹理复杂而导致焊缝图像的缺陷部分提取困难的问题，实现更可靠、更准确、更普适的焊缝缺陷图像的分割提取，有助于实现焊缝缺陷图像的自动检测。

Description

焊缝缺陷图像的分割方法

技术领域

本发明涉及图像缺陷分割技术，尤其涉及焊缝缺陷图像的分割方法。

背景技术

传统的焊接缺陷检测方法主要依靠人工对焊接数字图像(例如X射线焊接图像或超声波焊接图像等)进行评判，存在效率低、误检率高的问题。随着图像处理技术的发展，对数字焊接图像进行缺陷检测已成为焊接产品质量评判的重要手段。焊接数字图像通常存在对比度较低、背景起伏大，且伴有少量的噪声，易造成缺陷的漏判与误判。

在传统的方法中，针对焊接缺陷的检测主要包括四道工序。第一道工序为图像采集。第二道工序是图像预处理，主要分为图像降噪与图像增强两个部分，图像降噪的目的是消除焊缝图像中的噪声，过滤图像中的无效信息。图像增强的目的是改善图像的视觉效果，有目的地强调图像的整体或局部特性，扩大图像中不同部分特征之间的差别，改善图像质量，丰富信息量。一般，当图像中灰度分布均衡，缺陷与背景之间存有一定的区分度时，就可以进行第三道工序。第三道工序是图像分割或者说是缺陷部分的图像的提取分割。在下面介绍的几种现有技术中的焊接缺陷检测方法，其区别主要集中在这个部分，它也是由图像处理到图像分析的关键步骤。不管使用何种算法，原理如何，图像分割的目的就是将焊缝数字图像中的缺陷分割出来，使其易于被计算机准确识别。最后一道工序则是缺陷识别。在针对焊接缺陷的检测中，图像缺陷分割的效果好坏，对焊缝数字图像处理的效果有着最直接的影响。

现有技术中相对效果较好的焊接缺陷检测方法，其中针对图像分割或者说缺陷图像的提取部分，主要采用的有阈值分割法、模型法以及边缘检测算法等。其中张晓光、Shafeek等人利用阈值分割方法对未去除背景的缺陷进行了研究，对于缺陷与背景灰度对比度较大的图像有着良好的分割效果，但是对于灰度分布不均衡的焊缝图像，尤其是焊缝边缘灰度接近缺陷灰度的情形下，容易误将焊缝边缘当作是焊接缺陷。模型法主要有脉冲耦合神经网络(PCNN)和Chan-Vese(CV)模型，其中PCNN是一种新型的神经网络算法，其图像处理结果更符合人类的视觉神经系统，但是由于难以确定PCNN的最佳迭代次数，其获得的缺陷边缘往往更为粗糙，且结果易受噪声干扰。CV模型可以有效利用图像的先验信息知识，但其对于初始条件较为敏感，计算效率较低。罗爱民对形态学结构元素的尺寸进行了分析，提出了一种基于分水岭的自适应数学形态学算法，实现对X射线焊接图像的缺陷提取，该方法能较准确提取缺陷的边缘信息，但是容易产生漏检。

发明内容

本发明要解决的技术问题是为了克服现有技术中针对焊接缺陷检测所采用的图像缺陷分割方法容易出现错误、提取的缺陷边缘过于粗糙、分割结果易受噪声干扰、分割效果可靠性不足、普适性不够高的问题，提出一种焊缝缺陷图像的分割方法。

本发明是通过下述技术方案来解决上述技术问题的：

本发明提供了一种焊缝缺陷图像的分割方法，其特点在于，其包括以下步骤：

步骤一、对焊缝图像中的每列像素点进行列灰度曲线拟合，获得每列像素点对应的列灰度曲线；

步骤二、提取所述列灰度曲线上的极小值点；

步骤三、针对每列像素点对应的列灰度曲线，基于所述极小值点确定相应的结构元素尺寸，其中，

当提取自所述列灰度曲线的极小值点的个数为零时，确定结构元素尺寸为零；

当提取自所述列灰度曲线的极小值点的个数不为零时，针对每个极小值点，找出其左侧最邻近的曲线陡降点和其右侧最邻近的曲线顶点、并计算两者之间的间距，然后取所有极小值点对应的间距中的最大值作为结构元素尺寸，

其中，曲线陡降点的定义满足：曲线陡降点的灰度值与在所述列灰度曲线上处于曲线陡降点右侧并与之相距为预设的陡降点步长距离的像素点的灰度值之差不小于预设的灰度值差值；

步骤四、基于确定的结构元素尺寸根据形态学闭运算得到模拟的焊缝背景图像；

步骤五、对所述焊缝图像和所述模拟的焊缝背景图像进行数字剪影得到两者的差异信息图像。

较佳地，所述焊缝图像为经预处理后形成的焊缝数字图像。

较佳地，所述预处理包括采用中值滤波方法的图像降噪处理和图像增强处理。

较佳地，步骤二还包括，在提取所述列灰度曲线上的极小值点后，从中排除在预设步长的邻域范围内灰度的波动值小于预设的灰度波动阈值的极小值点。

较佳地，所述焊缝缺陷图像的分割方法还包括以下步骤：

步骤六、采用模糊K均值算法分割所述差异信息图像中的缺陷图像。

较佳地，步骤六中采用基于核改进的模糊K均值算法分割所述差异信息图像中的缺陷图像，其中，基于核改进的模糊K均值算法中引入了隶属度调节系数和束缚系数。

较佳地，所述焊缝缺陷图像的分割方法还包括以下步骤：

步骤七、采用膨胀算法处理步骤六分割得到的缺陷图像。

在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。

本发明的积极进步效果在于：

本发明的焊缝缺陷图像的分割方法能够有效地解决因焊缝图像的纹理复杂而导致焊缝图像的缺陷部分提取困难的问题，实现更可靠、更准确、更普适的焊缝缺陷图像的分割提取，有助于实现焊缝缺陷图像的自动检测。

附图说明

图1为根据本发明较佳实施方式的焊缝缺陷图像的分割方法的一个应用实例中的焊缝图像的示意图。

图2为一个示例的列灰度曲线上的极小值点以及其左侧最邻近的曲线陡降点和其右侧最邻近的曲线顶点的示意图。

图3为基于图1根据本发明较佳实施方式的焊缝缺陷图像的分割方法模拟得到的焊缝背景图像的示意图。

图4为基于图1和图3根据本发明较佳实施方式的焊缝缺陷图像的分割方法采用数字剪影技术得到的差异信息图像的示意图。

图5为基于图4根据本发明较佳实施方式的焊缝缺陷图像的分割方法采用基于核改进的模糊K均值算法提取出的焊缝缺陷图像的示意图。

图6为基于图5根据本发明较佳实施方式的焊缝缺陷图像的分割方法采用膨胀算法处理得到的焊缝缺陷图像的示意图。

具体实施方式

下面结合说明书附图，进一步对本发明的优选实施例进行详细描述，以下的描述为示例性的，并非对本发明的限制，任何的其他类似情形也都落入本发明的保护范围之中。

在以下的具体描述中，方向性的术语，例如“左”、“右”、“上”、“下”、“前”、“后”、等，参考附图中描述的方向使用。本发明的实施例的部件可被置于多种不同的方向，方向性的术语是用于示例的目的而非限制性的。

根据本发明较佳实施方式的焊缝缺陷图像的分割方法，包括以下步骤：

步骤一、对焊缝图像中的每列像素点进行列灰度曲线拟合，获得每列像素点对应的列灰度曲线；

步骤二、提取所述列灰度曲线上的极小值点，并且较佳地，在提取所述极小值点后，可从中排除在预设步长的邻域范围内灰度的波动值小于预设的灰度波动阈值的极小值点，从而排除伪缺陷所产生的部分极小值点；

步骤三、针对每列像素点对应的列灰度曲线，基于所述极小值点确定相应的结构元素尺寸，其中，

当提取自所述列灰度曲线的极小值点的个数为零时，确定结构元素尺寸为零；

当提取自所述列灰度曲线的极小值点的个数不为零时，针对每个极小值点，找出其左侧最邻近的曲线陡降点和其右侧最邻近的曲线顶点、并计算两者之间的间距，然后取所有极小值点对应的间距中的最大值作为结构元素尺寸，

其中，曲线陡降点的定义满足：曲线陡降点的灰度值与在所述列灰度曲线上处于曲线陡降点右侧并与之相距为预设的陡降点步长距离的像素点的灰度值之差不小于预设的灰度值差值；

步骤四、基于确定的结构元素尺寸根据形态学闭运算得到模拟的焊缝背景图像；

步骤五、对所述焊缝图像和所述模拟的焊缝背景图像进行数字剪影得到两者的差异信息图像。

并且较佳地，所述焊缝缺陷图像的分割方法在步骤五之后还可包括：

步骤六、采用基于核改进的模糊K均值算法分割所述差异信息图像中的缺陷图像，其中，基于核改进的模糊K均值算法中引入了隶属度调节系数和束缚系数；

步骤七、采用膨胀算法处理步骤六分割得到的缺陷图像。

根据本发明的上述较佳实施方式，能够较好地解决针对大部分焊缝数字图像都存在的对比度低、背景起伏大所造成的焊缝缺陷分割困难的问题。以下将结合本发明的上述较佳实施方式的焊缝缺陷图像的分割方法的一个应用实例进行更详细的说明。

参考图1所示为经过预处理后的焊缝图像，根据上述步骤一，首先提取出焊缝图像中每列的像素点，利用诸如matlab软件中的Cftool工具箱拟合其列灰度曲线。然后根据上述步骤二、三，对拟合后得到的列灰度曲线中的极小值点进行提取，并进一步确定结构元素尺寸。确定列灰度曲线对应的结构元素尺寸的具体方法可以如下所述。

首先，将得到的灰度序列曲线离散化，得到曲线的各个点为(x₁，y₁)，(x₂，y₂)…(x_n，y_n)，其中n≥2；x以及y分别为各个点的像素位置和像素值(即像素的灰度值)。通过以下公式(1)求取极小值点。

y_i-y_i-1＜0且y_i-y_i+1＜0 (1)

公式(1)中，y_i为曲线中第i个点的像素值，点(x_i，y_i)即为曲线的极小值点。

然后，通过预设的灰度波动阈值和预设步长的设置，利用下式(2)来筛选极小值点，即排除伪缺陷产生的极小值点。

y_i+α-y_i＞β (2)

式(2)中，α为预设步长，β为灰度波动阈值。

以下步骤三中对于结构元素尺寸的确定方法举例说明。

在第一个例子中，列灰度曲线存在一个(灰度)极小值点，参考图2所示，由该极小值点x处向左搜索，找到满足公式(3)的曲线陡降点A(x_a，y_a)。即，在这一例子中，预设的陡降点步长距离为7，而预设的灰度值差值则为15。然后，由点x处向右搜索距离最近的曲线顶点B(x_b，y_b)。由此，可以确定，结构元素尺寸d(x)＝x_b-x_a。

|y_a+7-y_a|≥15 (3)

应当理解的是，在其他例子中，列灰度曲线可能存在多个极小值点。在这种情形下，针对每个极小值点都可重复以上的计算过程，最终取其中的计算结果的最大值作为对应的列灰度曲线的结构元素尺寸。

在得到图像中每列像素点的结构元素尺寸，运用形态学闭运算对图像背景进行模拟，得到模拟后的焊缝背景图像。

对图1中焊缝数字图像进行背景模拟的结果如图3所示。从图中可以看出，模拟的背景图像中缺陷信息已经被完全覆盖，而且与背景信息同化。此时利用数字剪影技术对预处理后的焊缝图像(例如，图1所示)和模拟的焊缝背景图像(例如，图3所示)进行差值运算，就能得到差异信息图像(例如，图4所示)，即实现焊缝缺陷的提取。

应当理解的是，至此所得到的差异信息图像，已经能够使得本发明相比于现有技术中的方法实现更可靠、更准确、更普适的焊缝缺陷图像的分割提取。

在数字剪影完成后，进一步在步骤六中采用基于核改进的模糊K均值算法分割差异信息图像中的缺陷图像，有助于更好地分割提取焊缝缺陷图像。

鉴于一般的模糊K均值算法随机性较大且易受孤立点的影响，故可以基于焊缝缺陷的一些特点对算法加以改进。改进的算法将样本空间点变换到高维空间中进行筛选与分类，并在原有基础上加入了隶属度调节系数α和束缚系数β，从而提高算法对孤立点的抗干扰性及其可靠性。改进的K均值算法具体原理如下公式(4)。

公式(4)中，x_j为样本点，为样本点从图像数据空间R^s到特征空间H的映射关系，W＝[w₁，w₂，...w_c]表示特征空间H中的聚类中心，c为聚类中心个数。

特征空间H中的聚类中心的表达式如下公式(5)：

令以此表示x_j经映射后与聚类中心w_i在特征空间H中的距离。以下可分为三种情况。

1、若对于任意的i(1≤i≤k)都不存在j(1≤j≤n)使得D_ij＝0时，存在如下关系式：

2、若对于任意的i(1≤i≤c)存在j(1≤j≤n)使得D_ij＝0时，u_ij是满足以下条件的任意非负实数：

3、当存在i(1≤i≤c)使得对任意j(1≤j≤n)有D_ij＝0时，u_ij是满足一下条件的任意非负实数：

根据上述公式进行运算并消除w_i，可以得到下述公式(9)，

其中α为隶属度调节系数，主要反映空间点与聚类中心的隶属关系，代表着上述算法对像素点的归类情况，β为束缚系数，主要反映原始数据空间到高维特征空间H的映射的约束力，代表着上述算法对孤立点的清除能力。

上述基于核改进的模糊K均值算法的具体步骤可以为，首先设定隶属度调节系数α与束缚系数β以及收敛精度ε和模糊指数m的值，并初始化隶属度矩阵，令迭代次数k的初始值为0。然后根据上述公式(9)计算D_ij，接着计算得到模糊聚类矩阵U^k，并不断进行迭代，直到满足终止条件||U^k-U^k-1||≤ε或存在i(1≤i≤c)使得为止。

经基于核改进的模糊K均值算法提取出的缺陷图像如图5所示。在完整分割出图像中的缺陷后，对提取出的缺陷图像进行膨胀处理，以平滑缺陷边界并使缺陷形貌尽可能接近实际，最终提取出的缺陷如图6所示。

本发明建立在形态学滤波背景模拟的基础上，通过结构元素尺寸的适当确定，能够快速准确地从复杂背景下的焊缝数字图像中提取出缺陷，并通过在改进的模糊K均值算法中引入隶属度调节系数和束缚系数，进一步提高了缺陷提取结果的准确性和普适性。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (7)

1.一种焊缝缺陷图像的分割方法，其特征在于，其包括以下步骤：

步骤一、对焊缝图像中的每列像素点进行列灰度曲线拟合，获得每列像素点对应的列灰度曲线；

步骤二、提取所述列灰度曲线上的极小值点；

步骤三、针对每列像素点对应的列灰度曲线，基于所述极小值点确定相应的结构元素尺寸，其中，

当提取自所述列灰度曲线的极小值点的个数为零时，确定结构元素尺寸为零；

当提取自所述列灰度曲线的极小值点的个数不为零时，针对每个极小值点，找出其左侧最邻近的曲线陡降点和其右侧最邻近的曲线顶点、并计算两者之间的间距，然后取所有极小值点对应的间距中的最大值作为结构元素尺寸，

其中，曲线陡降点的定义满足：曲线陡降点的灰度值与在所述列灰度曲线上处于曲线陡降点右侧并与之相距为预设的陡降点步长距离的像素点的灰度值之差不小于预设的灰度值差值；

步骤四、基于确定的结构元素尺寸根据形态学闭运算得到模拟的焊缝背景图像；

步骤五、对所述焊缝图像和所述模拟的焊缝背景图像进行数字剪影得到两者的差异信息图像。

2.如权利要求1所述的焊缝缺陷图像的分割方法，其特征在于，所述焊缝图像为经预处理后形成的焊缝数字图像。

3.如权利要求2所述的焊缝缺陷图像的分割方法，其特征在于，所述预处理包括采用中值滤波方法的图像降噪处理和图像增强处理。

4.如权利要求1所述的焊缝缺陷图像的分割方法，其特征在于，步骤二还包括，在提取所述列灰度曲线上的极小值点后，从中排除在预设步长的邻域范围内灰度的波动值小于预设的灰度波动阈值的极小值点。

5.如权利要求1所述的焊缝缺陷图像的分割方法，其特征在于，所述焊缝缺陷图像的分割方法还包括以下步骤：

步骤六、采用模糊K均值算法分割所述差异信息图像中的缺陷图像。

6.如权利要求5所述的焊缝缺陷图像的分割方法，其特征在于，步骤六中采用基于核改进的模糊K均值算法分割所述差异信息图像中的缺陷图像，其中，基于核改进的模糊K均值算法中引入了隶属度调节系数和束缚系数。

7.如权利要求6所述的焊缝缺陷图像的分割方法，其特征在于，所述焊缝缺陷图像的分割方法还包括以下步骤：

步骤七、采用膨胀算法处理步骤六分割得到的缺陷图像。